第２８卷第１Ｏ期 计算机仿真 ２０１１年１０月
文章编号：１００６—９３４８（２０１１）１０—０１８０—０４
天燃气负荷预测的建模与应用研究
代丽娴
（广西梧州学院计算机科学系，广西梧州５４３００２）
摘要：研究天燃气负荷预测问题，由于天燃气负荷受人口增多用量增大及天气、季节、节假１３等因素影响，具有周期性和随机 性的变化规律，形成一种非线性特性，传统预测方法无法进行准确的预测，预测精度比较低。为了提高天燃气负荷的预测精 度，提出一种基于ＲＢＦ神经网络的天燃气负荷预测方法。首先对天燃气负荷历史数据进行预处理，剔掉一些异常的数据，
然后将数据输入到ＲＢＦ神经网络中学习，采用遗传算法对ＲＢＦ神经网络参数进行优化，从而建立最优的天燃气负荷预测模 型。采用某企业的天燃气负荷数据对模型的性能进行验证，实验结果表明，相对于传统预测方法，ＲＢＦ神经网络提高了天 燃气负荷预测精度，是一种较好的天燃气预测方法。 关键词：天燃气；负荷预测；人工神经网络 中图分类号：ＴＵ ９９６ 文献标识码：Ａ
Ｍｏｄｅｌｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｎ Ｇａｓ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ
Ｄａｉ Ｌｉ—ｘｉａｎ
（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｚｈｏｕ Ｂｒａｎｃｈ Ｇｕａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｘｉ Ｗｕｚｈｏｕ ５４３００２）
ＡＢＳＴＲＡＣＴ：Ｒｅｓｅａｒｃｈ ｎａｔｕｒａｌ ｇａｓ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｐｒｏｂｌｅｍｓ．Ａｓ ｇａｓ ｌｏａｄ ｉｓ ａｆｆｅｃｔｅｄ ｂｙ ｔｈｅ ｗｅａｔｈｅｒ，ｓｅａｓｏｎｓ，ｆｅｓｆｉ—
ｖａｌ ａｎｄ ｏｔｈｅｒ ｆａｃｔｏｒｓ，ｔｈｅ ｃｈａｎｇｉｎｇ ｒｕｌｅ ｉｓ ｏｆ ｒａｎｄｏｍｉｃｉ￣ａｎｄ ｐｅｒｉｏｄｉｃｉｔｙ，ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄｓ ｃａｎｎｏｔ
ａｃｃｕｒａｔｅｌｙ ｆｏｒｅｃａｓｔ ｉｔ，ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｉｓ ｑｕｉｔｅ ｌｏｗ．Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｎａｔｕｒａｌ ｇａｓ
ｌｏａｄ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｇａｓ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ｆｉｒｓｔ￣，ｔｈｅ ｈｉｓｔｏｒｉｃａｌ ｄａｔａ ｏｆ
ｎａｔｕｒａｌ ｇａｓ ｌｏａｄ ｉｓ ｐｒｅｔｒｅａｔｅｄ ｔｏ ｐｉｃｋｉｎｇ ｏｆｆ ｓｏｍｅ ａｂｎｏｒｍａｌ ｄａｔａ．ｔｈｅｎ ｔｈｅ ｄａｔａ ａｒｅ ｕｓｅｄ ａｓ ｉｎｐｕｔｓ ｏｆ ｔｈｅ ＲＢＦ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｈｅ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐａｒａｍｅｔｅｒｓ ｉｓ ｏｐｔｉｍｉｚｅｄ ｂｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｔｈｅｎ ｔｈｅ ｏｐｔｉｍａｌ ｇａｓ
ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ ｍｏｄｅｌ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ｖｅｒｉｆｉｅｄ ｂｙ ｓｏｎ ｇａｓ ｌｏａｄ ｄａｔａ ｆｒｏｍ ａｎ ｅｎｔｅｒｐｒｉｓｅ，ａｎｄ
ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｃｏｍｐａｒｅｄ ｗｉｔｌｌ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄｓ．ｔｈｅ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ｉｍ—
ｐｒｏｖｅｄ ｔｈｅ ｎａｔｕｒａｌ ｇａｓ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｃｙ ａｎｄ．ｉｓ ａ ｂｅｔｔｅｒ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ｏｆ ｎａｔｕｒａｌ ｇａｓ．
ＫＥＹＷＯＲＤＳ：Ｇａｓ； ａｄ ｆｏｒｅｃａｓｔ；Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
１ 引言
随着我国人口急剧增加和经济快速发展，能源消费不断
增长，各种有害物质排放和温室气体激增，环境受到极大挑
战，因此，天燃气作为一种清洁、高效的能源日益受到人们重
视，在工业、民用等各个领域得到了广泛的应用…。在系统
总投资中，天燃气输配管网系统建设占总投资５０％以上，因
此输配管网的设计与运行管理质量对供气系统正常运行起
着直接影响，而对天燃气负荷进行准确预测是燃气管网的优
化的基础，天燃气负荷的预测成为目天燃气工业中的一个重
要课题。
收稿１３期：２０１１—０５—０４修回１３期：２０１１—０７—２１
一ｌ８０一 早在上世纪６Ｏ年代，国内有学者对开始对天燃气负荷
预测进行研究，最早的预测方法就是线性回归分析方法，该
模型假设系统的输入与输出间是一种线性关系，对于天燃气
系统来说，具有大的局限性，因为天燃报导负荷输入与输出
间的是一种非线性关系，难以找到理想的数学模型来描述，
模型缺乏自学习能力，因此预测精度不高 Ｊ。指数平滑法根
据不同时期的历史负荷数据对未来负荷的影响是不同的来
建模的，能较好的应用于日负荷的预测，但是不宜用于过长
时期的负荷预测。时间序列法将天燃气负荷数据看成一组
时间序列，主要模型有自回归模型（ＡＲ）、自动平均模型
（ＭＡ）、自回归移动平均模型（ＡＲＭＡ）、累积式自回归移动平
均模型（ＡＲＩＭＡ）等，这些模型比较适用于短期天燃气负荷
预测，但是对使用者的理论知识要求相当的高，模型只考虑
了负荷的历史发展趋势，
无法考虑气象、日期特征等敏感因 素对燃气负荷的影响，当天气突变或者节假日等情况，预测
误差较大，且预测步数越长，预测精度越差，这些缺陷限制了
该方法的应用 ｊ。１９８３年３月，我国学者邓聚龙提出了灰色
系统理论，将天燃气管网负荷系统看作灰色系统，通过累加
生成法达到对燃气负荷预测，该方法具有计算方便、原理简
单、所需样本数据少、预测精度高等优点，用于城市燃气管网
负荷长、中、短期预测，但是其原始数据序列不按指数规律变
化，灰色系统预测模型精度就差，是重要的是这些方法都是
基于线性数据预测的模型，因此不适合复杂的天燃气负荷
预测 。
近年来，神经网络因其具有非线性映射、任意精度逼近、
有很强的泛化能力和自学习等优势，在模式识别、评价、预报
等领域获得广泛的应用，为解决天燃气负荷预测提供了一种
有效途径 Ｊ，因此，本文针对当前天燃气负荷预测存在的一
些难题，提出一种基于ＲＢＦ神经网络天燃气负荷预测预测
方法，并通过仿真对其预测精度进行验证。
２天燃气预测原理
天燃气负荷预测就是利用天燃气历史负荷运行数据和
相应的气象数据等，采用一定技术，建立一种适当的预测模
型，通过预测模型对将来天燃气的负荷值进行估计的过程。
设影响天燃气负荷的影响因子为｛置｝＿｛ ，…， ），其
中ｍ表示影响因子的数目，相应的天燃气负荷值为｛ ｝，那
么天燃气负荷的预测可以描述为：
＝，（ ｄ， ，…， ） （１）
其中 厂（・）表示预测方法。
天燃气荷除具有以周、日的周期变化特点外，而且由于
受到天气、季节、节假日等因素影响，如：春节、元旦、雪，诸多
因素影响的复杂性导致天燃气负荷波动十分频繁，呈高度非
线性、时变性、分散性和随机性等特点，传统线性预测方法无
法全面描述天燃气负荷变化规律，使模型预测精度常不尽人
意。ＲＢＦ神经网络是一种比较成熟的人工智能技术，具有非
线性逼近、自适应学习能力，既能描述天燃气管负荷周期性，
又能反映负荷影响因素对负荷的变化作用，非常适合复杂、
非线性的天燃气负荷预测，因此本文采用ＲＢＦ神经网络对
天燃气负荷预测，以提高天燃气负荷预测的精度。
３ ＲＢＦ神经网络算法
３．１ ＲＢＦ神经网络概述
ＲＢＦ神经网络又称径向基函数神经网络，是一种多输入
单输出的前馈神经网络，其结构如图１所示。ＲＢＦ神经网络
包括输入层、隐含层和输出层，ＲＢＦ神经网络与其它神经网
络不同，隐含层采用激励函数为基向基函数，不是传统神经
网络的ｔａｎｓｉｇ或ｌｏｇｓｉｇ函数，通过径向基函数将输入空间映
射到一个新的空间，执行一种固定不变的非线性变换，这样 就可以能够以任意精度逼近任意连续函数 Ｊ。
在ＲＢＦ神经网络中，输入层的节点决定了隐含层神经 图１ ＲＢＦ神经网络示意图 输入层
隐含层
输出层
元的数量，设第ｉ个样本点的输入向量为置（ｉ＝１，２，…，ｎ），
那么网络的输出为：
＝ ＋∑ｗｊ（１Ｉ ｘｊ—Ｃｋ ｌＩ）
Ⅱｃ ＝∑ Ｃｋ一 ） （２）
其中，７，０ 为第ｉ个节点的阈值， 为第 个隐含层单元和第
个输出节点间的权值。，表示径向基函数，本文的径向基函
数采用高斯函数，定义如下：
Ｒｉ（ ）：ｅｘｐ（ 三 ） ：ｌ，２，…，ｍ （３） Ｚ，Ｏｉ ３．２ ＲＢＦ神经网络参数优化
ＲＢＦ神经网络输出权重（ ），隐含层单元中心（Ｃｉ）和宽
度（ｏｒ ）ＲＢＦ网络性能有着很大影响，因此要获取最优天燃气
预测精度，那么首先需要选择最优的ｉｖ ，ｃ ，ｏｒ。，从而建立最
优的天燃气预测模型。
传统上，ＲＢＦ神经网络网络采用经验法或梯度下降法选
择埘 ，ｃ ，ｏｒ 值，经验法具有很大的主观性、随意性，参数选择
过程耗时长，很难获最优值，导致ＲＢＦ神经网络收敛相当
慢。而梯度下降算法对初始的 ，ｃ ， 相当的敏感，得到的
参数易是局部最优，导致ＲＢＦ神经网络的结构过于复杂，预
测精度不高，因此针对传统ＲＢＦ神经参数优化算法存在的
缺陷，本文采用全局搜索能力强的遗传算法对 ｃ ，ｏｒ 进行
选择。 基于遗传算法的ＲＢＦ神经网络参数优化步骤为：
１）设置ＲＢＦ神经网络｜ｔ， ，ｃ ， 初始值。
２）设置遗传算法初始参数值，具体为：最大迭代代数、种
群数目、交叉、变异概率等。
３）采用二进制编码对 ，ｃｉ，ｏｒ 进行编码，并生成初始
种群。
４）对每一个个体的适应度值进行计算。
５）对种群中的个体进行选择、交叉和变异等操作，产生
新一代的种群。
６）判断是否满足寻优结果条件，如果满足，则得到最优
个体，并反编码为ＲＢＦ神经网络最优参数，否则转４），继续
执行。 ．
一
１８ｌ一